基於 PM2.5微型感測資料之中尺度空品區劃分研究—以臺灣五都為例
54
0
0
全文
(2) 止 PM2.5 大. 「 PM2.5. 市 PM2.5. 、. 十. 失 一 PM2.5. 六 之. 二. PM2.5. 太. 。. PM2.5. 十. 工. 二. 丘土十. 二. 一. 台. 二. 工. i. 丘土. 丘土.
(3) Abstract. Air pollution will increase the risk of respiratory diseases and death. It is an environmental issue that is of concern to the whole world. PM2.5 is a great threat to human health and is therefore been extensively studied. Due to the difficulty of identifying the source of PM2.5, effective prevention measures are hard to realized. However, it can be observed in the data of PM2.5 that if the sensor has similar fluctuation values, the influencing factors behind it may be the same. Therefore, this paper proposes a Mesoscale Air Quality Management Areas of PM2.5, in which local characteristics of air quality is studied in each area. Understanding local air quality characteristics can also help with pollution source identification, PM2.5 numerical prediction and other research. This study uses the open data of PM2.5 in Taiwan, the clustering technique of Haar wavelet transform and dynamic time warping techniques to improve the grouping accuracy. Without adding other additional geographical environment information, it can successfully partition the mesoscale air quality management area. The grouping results are in line with the local environment and can be reasonably explained, which can be highly correlated with the life style and topographic climate of the area.. Keywords: PM2.5, micro measurements, clustering analysis, time series, Haar wavelet transform. ii.
(4) ...................................................................................................................... IV ....................................................................................................................... V 太......................................................................................................... 1. ......................................................................................... 4 2 - 1 PM2.5 2-1-1 2-1-2 2-2 二 2-2-1 2-2-2 2-3 出 2-3-1 2-3-2. ........................................................................................... 4 二 ................................................................................. 4 二 .............................................................................. 5 ..................................................................................................... 7 二 ......................................................................................... 7 介 二 ......................................................................................... 9 ................................................................................................... 11 ................................................................................... 11 工 ................................................................................... 12 ............................................................................................... 15. 3-1 十 3-1-1 3-1-2. ................................................................................... 15 ........................................................................................... 15 ............................................................................... 16. 十 十. 3-2 3-2-1 3-2-2 3-2-3 3-3. 二 工. 土 ............................................................................................... 27. 左. 4-1 4-2 4-3 4-4. 二 ....................................................................................... 18 — ................................................................ 18 — 內 ............................................................................ 21 ............................................................................... 22 ................................................................................... 24. 介. ....................................................................................... 27 ....................................................................................................... 31 ....................................................................................................... 35 ....................................................................................................... 38. 之 之 之 太. ................................................................................... 42. .................................................................................................................. 44. iii.
(5) 1.. 二. .......................................................................................................... 8. 2.. 介. 二. .................................................................................. 9. 3. 二. ................................................................................ 10. 4.. .................................................................................... 12. 5.. 工. 6.. 工. ............................................................................. 14. 比. ..................................................................... 14. 7.. ............................................................................. 17. 十. 8. DTW. 三. .................................................................... 20. 9. 2017/03 之. 介. 二 ............................................................................... 21. 10. 2017/03 之. 介. 11. 2017/03 之. 二. ............................................................................. 25. 二. 13.. SSE. 工. 14.. 之. 15.. 之. 2016. 二. 11. 2017. 10. ................................ 30. .......................................................................................... 31 (a). (b). 18. 之. 二. 19. 之. 2016. 20. 之. ........................................... 26. ............................................................................... 28. 16. 之 17. 之. ...................................................... 23. 二. 12. 2017/03 之. 2016 11. ........................ 31. 11. 2017. ....................................................... 34. 2016. 24.. 二. ............................... 36. 11. (a) 2017. ........................................ 33. (b). 二. 23.. 10. 二. (a). 21. 之 22.. .......................................................... 22. 二—. 2017. 10. (b) 1. ........................................... 40 ......................................................... 40. 二 2016. .................................... 37. 11. 2017 iv. 10. ........................................ 41.
(6) 1. 2. 2016/11. (AQI). PM2.5 日. 失大. 2017/10 之. ........................................ 1. .......................................... 17. v.
(7) 太 手. 105. 丘. 30% (AQI ≧ 101) [1] 日. ）. (AQI) 1. 力. 手已. 十. 一. [2]. 105. 止. 主. 主 PM2.5 大. PM2.5. 市. 2.5. 市. 2.5. 七. PM2.5. 大. 公央. PM2.5 日 大. 市. 心. 0. (µm). 10. 市. (AQI). 市. 50. 0.0 - 15.4 失. 止主. 51. 100. 15.5 - 35.4. 101. 150. 151. 200. 35.5 - 54.4. 54.5 - 150.4. 大. 大. 201. 300. 150.5 - 250.4. 二. 二. 1.. (AQI). PM2.5 日. 1. 失大. [13]. 301. 500. 250.5 - 500.4.
(8) PM2.5. 一及卡 口. 方 PM2.5. 丘. 、. 外、化 手. PM2.5. 大. 土. 亡 失 PM2.5. 子. 亡. PM2.5. 司. 包. 失 失. 二 ）. 手. 二. PM2.5. [3-10]. 二 PM2.5 十 PM2.5. 一. 失. [13][14] 二. 二. 太. 二. 六[15-20]. 二化. 台. 一 PM2.5. PM2.5 二. 十. 大. 六. 十. 。. (之. 之. 工. 二. 二. 丘土十. 2. 二. 之 。. ). 之.
(9) 二. 一. 丘土. 台. PM2.5. 太 二. 二. 出 二. 。 力. 左. 台 丘土. 3. 工.
(10) PM2.5. 二. 一. 2-1. 分 PM2.5. 2-2. 二. 2-3 出. 二. 2-1. PM2.5. 2-1-1. 二. PM2.5. 二. 十 [3][4][5]. [6] [7] [13] [14]. [8][9][10]. PM2.5. [11][12]. PM2.5. [3][4]. 七. 二. 二. PM2.5. 十 PM2.5. 它. [6]. 二. 二. [7]. 。. [5]包. 失. 分. PM2.5 PM2.5. 十. [10]. 。 1 3. [8][9]. 5. 二 分. PM2.5. 二 [11][12]. 4. 十. 二.
(11) 十 十. 二. 十. 。 PM2.5. （ 手. 2-1-2. 二 PM2.5 十. 二. 失. 化. 大 。. 失 PM2.5. 亡. 二. ）. 一. [13]. PM2.5. PM2.5. PM2.5 十. 二. PM2.5 支市. 二 187. [14]. PM2.5. [15]. — HH ( Hight-Hight. ) LH ( Low-Hight. ) LL ( Low - Low. ) HL ( Hight- Low 30. ). HH. 大. 。. 充 失. [16]. 日 PM2.5. DTW (Dynamic Time Warping). 十. 七. K-Medoids. 出. PM2.5. 5. 卡 1406. 二 PM2.5. 二 二. 工. PM2.5. （. 日. 二 仁. （.
(12) 二 [17]. 13. PM2.5. 十. 化. 七. 大. 1. 二. 介. 二. 1. 二. 二. 二. 二—. 一. 。 二. 十. 了 手 PM2.5. 二. 十. 十. [18]. 二. AQI. AQI. 十 Voronoi. KNN. 348. 二. 28. 二. 手 六 PM2.5. 二 AQI. K-means. OpenStreetMap. 十. 了 [20]. 大. 二. 太 28. 。. 二. PM2.5 十. 12. 8 二. 。. 三 三. 分. 丘土 12. 二 二. 互. 乏. 二. 三十. 二. 11. 二. 土. 6. 分. 一及卡. 8.
(13) PM2.5. 之 卡. 分. 十. 丘土十. 及 十. 十. 二. 台. 2-2. 二 (Cluster analysis). 二 十. 十 十. 十. 七. 水. 十. 二. 十 二. 十. 手. 十 二. 天. 二. [27] I.. ( Partitioning methods ). II.. 介. ( Hierarchical methods ). III.. ( Density- based methods ). IV.. ( Grid-based methods ). V.. ( Model-based methods ). 分. 十 十. 十. 十. 二 二. 2-2-1. 介. 二. 二. 7. 大. 二.
(14) 二. 二. 加. 十. 十. 二. 十. means. k-medoids. 1.. k. 2.. 十. 二. ( iterative relocation technique ). ） 二. ）. 十. 二 二 十. k. 水. 二. 3.. 十. 二. 二. 二. 二. 。下. 二. 平2. 二. ）. 二. (a). 二. 十. 十. 4.. k-. 二. 平. 二 k. 二. 二. 一. (b). 二 1.. 二. 8. 介. 二.
(15) 2-2-2. 介 二 介. 二. 十. ( dendrogram ). 介. 十. I.. 二. 介. 二. ( Agglomerative ) 二. 二. 小 二. 二. 二 II.. 介介. 布. 二. 十. 十 ( Divisive ) 小. 十 十. 十. 一. 二. 二市 二. 2.. 介. 二. 9. 介介 二.
(16) 二. I.. II.. ( Single-linkage ). 支. III.. IV.. ( linkage ). 二. 二. ( Complete-linkage ). ( Average-linkage ). 內. ( Ward's method ). 手. 二. ）了. 二. ）了. 二. 二. 二. ）了. ）了. 二. 仁. 二. 二. 二. (a). (b). (c). (d). 支. 內. 3. 二. 大. 十. 一. 心. 水. 介 水. 10. 世. 二. 水 [28].
(17) 2-3. 出. 2-3-1 ( Time Series ). 十. 手. 十. 2017. 十 之. Seasonal Trend. Random Seasonal. ）. 及. 亡. 不. 凸. Trend. 十 Random. 今 Seasonal Irregular. Trend. Noise. 十. Remainder [21] ( Additive ). ( Multiplicative ). "#$# = &'#()*#+ + -.'*/ + 0#*/)1 十. "#$# =. 元. &'#()*#+ ∗ -.'*/ ∗ 0#*/)1 亡 十. 今 4. 上. 又 今. 化 -.'*/. 七. 0#*/)1. 11. &'#()*#+.
(18) 4.. 2-3-2. 工 (Haar wavelet transform, HWT). 工 力. 加. 亡 入. 切. 入. 牙. 七. 反反 牙. 入. 牙 亡. Haar wavelet. 1910. 卡 出. 引. 引. 引. 引. [22]. 亡. Alfred Haar. (Discrete wavelet transform, DWT) 比. 入. 手牙可. (Frequency band). 牙. 12. 牙.
(19) DWT. 牙可. 台. 牙可 [23]. 牙. ( Discrete haar wavelet transform, DHWT ). 工 4. [24] 6. ）了. 65 = 7. (Eq. 1). 1 1 ⎡ ; < ⨂ ? C ⎤ √2 √2 ⎥ 6 = ⎢ = 1 1 ⎢ ; ⨂ ? − C ⎥ < ⎣ = √2 √2 ⎦. (Eq. 2). (Eq. 2). ）了. ）了H ⨂I = #JK I. (Eq. 2) 4. DHWT. 七. 7. 比. 6. 5. 十. 5. 8. 十. 8 5 = {5(0), 5(1), … , 5(7)}. 1 1 0 0 5 (0) ⎡ 1 1 ⎡ ( )⎤ ⎢ √2 √2 5 1. ⎢ ⎥ ⎢ 0 0 √2 √2 ⎢ 5 (2) ⎥ ⎢ 0 0 0 0 ⎢ 5 (3) ⎥ ⎢ 0 0 0 0 ⎢ 5 (4) ⎥ 1 1 0 0 ⎢ ⎢ ⎥ − 1 1 √2 ⎢ 5 (5) ⎥ ⎢ √2 − √2 √2 0 ⎢ 5 (6) ⎥ ⎢ 0 0 0 ⎣ 5 (7) ⎦ ⎢ 0 0 ⎣ 0 0 0 0. 6 出. X. ; U ⨂ W √< V. 比. X √<. 0 0 0 0 1 1. 0 0 0 1. 0 0 0 1. 7 (0) ⎤ ⎡ ] ⎤ ⎥ ⎢ 7] (1) ⎥ ⎥ ⎢ 7] (2) ⎥ √2 √2 ⎥ ⎢ ⎥ 0 0 √2 √2 ⎥ = ⎢ 7] (3) ⎥ 0 0 0 0 ⎥ ⎢ 7b (0) ⎥ 0 0 0 0 ⎥ ⎢ 7 (1) ⎥ 1 1 0 0 ⎥ ⎢ b ⎥ − 1 1 ⎥ ⎢ 7b (2) ⎥ √2 √2 − √2 √2 ⎦ ⎣ 7b (3) ⎦ 0 0. Y. ( high pass filter, ℎ[*]). 出. Approximate coefficient. 13. (Eq. 3). X. ; U ⨂ W √< V. −. X √<. Y. 7].
(20) 出. ( low pass filter , c[*]) 7b. 出. coefficient. DHWT. Detail. 牙. 工. 出. DHWT. 工. 牙 十 e. f 支. 比. Detail coefficient. 七. 6.. 介. 比. 5. 5.. 介. 出. 介 大 介. e. <. 牙. e. < . 介 介. 牙可. 14. e g. 0. 牙. e. f. 牙. d. 牙 牙. d. 牙.
(21) PM2.5. 工 七. 出. 六. 之. 大. 台 PM2.5. 力 3-1 3-4. 十. 3-1-1. 十. 二. ). 不三. 二. LASS. 工 工. 不. 且. 二千市. 引. 丘土. 市 PM2.5. 包 之. 。. 手. 十. 已. PM2.5 十. [19] LASS. 。. 右 引. 一. 3-3. 二. LASS (Location Aware Sensor System, 丘土. 十. 不也. 十. 工. —PM2.5. 十 三. 不. 3-2. 十. 3-1. PM2.5. 二. 大. 互 PM2.5. 15.
(22) LASS. 2015. 不三. (Maker). 布. 一. 。. 9. 一. 6. 十. 2015. 2016. 之. ；. 不. 。. LASS. 二不. LASS. ）. 引. ：. 川. 3-1-2. 引. 也. 之. 十. LASS. 已. 十. 包 十. LASS. 二不. 十. API. 上. 之 2016. 十 PM2.5. 11 七升. 之 2017. 之. 10. 十. 十 ID. 手. 丘土. 十. 十. PM2.5. 五 亡. 不三. 心. 十 方. 7. 十 十. 16. 100% 火. 火. 十.
(23) 火. 10%. 十. 冬. 二. 予. 火. 十. 十 1.. 十. 2.. 十 十. 。八. 3.. 10%. 十. 十. 七. 十. 7.. 支. 十. 11. 12. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 108. 129. 152. 87. 88. 115. 129. 95. 99. 76. 73. 66. 之. 177. 190. 122. 120. 129. 178. 208. 228. 198. 200. 213. 218. 之. 120. 116. 111. 109. 126. 138. 133. 140. 116. 97. 118. 67. 34. 187. 184. 178. 179. 179. 174. 73. 124. 159. 78. 145. 之. 2. 2016/11. 2017/10 之. 17.
(24) 3-2. 介 二. 二 二. ）. 二. 二 [29]. 介 介. 二. 介. 二. 3-2-1. 二. 水. PM2.5. 十. 介 二. PM2.5. 介. 二. 二. [30][31]. 二. — 二 ，內. 內. (Euclidean distance). 十. (Euclidean space). ）了. ，. 大. 5J , hJ. l. / (5, h) = ‖5 − h‖ = jk(5J − hJ )<. (Eq. 4). JmX. ，內. 十. 18. 大.
(25) (Dynamic Time Warping, DTW) 大 十 7 = 5X , 5< , … , 5J , … , 5n. 世. o = hX , h< , … , hK , … , h l. DTW. [25] 1×*. 平 LCM). (local cost matrix,. 十 5J. 十. o. 十. 大. hK. 十. 今 q. LCM. ，內 十. 7. (norm). 中. n. X/y. l. +r1(s, t) = uk k(5J − hK )v w. (Eq. 5). JmX KmX. 7. o. 大. +r1(1,1). LCM. +r1(1, *) ）了z = {(1,1), … , (1, *)}. 今 三. (Eq. 6). 十 {] 大. "-|(5, h) = uk. 十. 人. 1]. 平. [26]. )y. X/y. 1] +r1(} w {]. 19. , ∀} ∈ z. (Eq. 6).
(26) 8. DTW 小. 8. 大. LCM. (Eq. 6). 大. {(1,1), … , (1, *)}. 8. DTW. 9. 之. 2017. 3. DTW 十. 三. 十. 七. 十 二. 大 介. 二. 20. ，內 二. z=.
(27) (a). ，內. (c). 介. ，內. (b) DTW. 二. (d) DTW. 二 9. 2017/03 之. 3-2-2. 介. 介. 二. 二. 二. — 內 介. 二. 二. —. 支. 介. ）. (linkage). 冬. 10. 二. 2017. 3. 二. 大. 內 之. 十. 十. 內 二. 二. 21. 水. 內.
(28) (a). (b). (c). (d) 10. 2017/03 之. 3-2-3. 介. 支. 內. 二—. 二 二. 二. 二. 一. 二. 大. 二 二. 又. (Sum of squared errors, SSE). 二 ）. 二. Elbow Method. 二 二. ( Sum of squared errors, SSE ) 二. *. 二. 十. 5. 十 l. &&Ä = k(5J − 5̅ )< JmX. 22. (Eq. 7).
(29) m. 二. 二. ( Sum of squared errors,. 二. SSE ) &&ÄÇÉÇÑÖ = &&ÄX + &&Ä< + ⋯ + &&Än 一. 二. 十. 二. (Eq. 8) SSE. 十. 0 二. SSE. 中. Elbow Method. 。. [32] Elbow Method. 二 只四今. 二. 二. 二. 二. Elbow Method. 二 分匹. 手. Elbow Method. SSE. ）. 。. 仁 11 SSE. 2017. 3. 十. (b). 二 11. 2017/03 之. 2. 二. Elbow Method. 中. (a) 二. 之. 二 23. ）. 二. 二. 二 二. 20 8二. 二.
(30) 3-3. 工 失 PM2.5. 大 大. 十. 二. 出. 卡. 十. ）. 二 —. 出 &'#()*#+. 十 0#*/)1 十. 2-3-1. -.'*/. 2017. &'#()*#+ 十. 3-2. 六. -.'*/. &'#()*#+. 卡. 二. 3. 之. 代. 十 介. 十. 二. 出. 介 介— 4. 2-3-2. 出. 工. 。. 了. 8. 4. 8. 工. 工 2017. 六二 工. 介 12. 出. 亡 工. 水. 0#*/)1. 介. 二. 。. 丘土. 力. 24. 3. 之 二. 十 (k). 8二. 二.
(31) 3-2-3. ( Sum of squared errors, SSE ). 二. 工 12. 2. 二五. 十. 二. 2. 十. SSE. 。. (a). 十. k=4. 20 二. 13 SSE 仁. 十 六. 4. 二. 二 工. 工. 二. (b). k=4. 12. 2017/03 之. 25. 二. (c). 工. k=8.
(32) (a). 之. (b)之. (c)之. (d) 13.. 工 26. SSE.
(33) 左 3-1-2 2016. 11. 之. 丘土. 2017 大. 十. —之. 10. 十. 之. 丘土 左. 左. 丘土 3-2-3. 之. 太. 支. 4-1. 土. 心. ）. 丘土. 二. 二. 二. 之 之. 之 太. 之. 之 七之. 」. 」 106. 」. 十. 14 (a) [33]. 半 ，. 十. 5000. 大. 27. 之. 一.
(34) 14.. 之. 之. 15. 左. 12. —. 之 (a). (h). 二. 予之. 之. 二. 予之. 二. 山 (f). 二 (h). 二 (g). 二. 二. 二. (b). 之 (b) (e). 二. 二. 二 二. (c) (e). (h). 」. 2. 3. 二. 之. 」. 二. 充. 二 了. 28.
(35) 方. 之 之. 亡. 仁. 之 (i). 之 化. 支. 十. 之. 二. 失. 二. 亡. 失. 二. 二. 二. 二. 29.
(36) (a) 2016. 11. (b) 2016. 12. (d) 2017. 2. (e) 2017. (g) 2017. 5. (j) 2017. 8 15.. 之. (c) 2017. 1. 3. (f) 2017. 4. (h) 2017. 6. (i) 2017. 7. (k) 2017. 9. (l) 2017. 10. 二. 2016. 30. 11. 2017. 10.
(37) 4-2 之. 之 一. 之 月. 北 —. 北 16 [35]. 」. 之. 仁 17 (a). —. 之. 之. ，. 引. 17 (b). 16. 之. (a) 17. 之. (b) (a). (b). 31. 北.
(38) 之. 18. 左 之. (b) (g) (h) (j). 二. 以. 二. 二. 二. 二. 之 二. 之. 之. 二 一. 二. 」. (a). 19 之. 2016. 7二. 9二. 11 予. 二 之. 丘土. 之 (b). 大 二. 之. 4二. (c). 二 之 3二. 之 3二. 之. 5二. 之. 32. 3二. 4二 4二. 之 (d). 2. 予之. 8二.
(39) (a) 2016. 11. (b) 2016. 12. (c) 2017. 1. (d) 2017. 2. (e) 2017. 3. (f) 2017. 4. (g) 2017. 5. (h) 2017. 6. (i) 2017. 7. (j) 2017. 8. (k) 2017. 9. (l) 2017. 10. 18. 之. 二. 2016. 33. 11. 2017. 10.
(40) (a). 7二. 9二. (c). 3二. 4二. 19. 之. 支. 之. (b). (d) 2016. 11. 18 之. (c). 之. (e) 之. (i). 二 (f). (a) 二. 二. 一 [36]. 二 (k). 二. 一. (a) 」. 」. 34. 二 (c). 二. 17 (b) 二 (d). 二 二. 引 二. (i). 二. 二市. 之 二. 8二. 12. 二. (d). 5二. 二. 二. 之. 二. 2二. 二. (c) 之.
(41) 4-3. 之. 之. 」. 文. ，. 之. 之 20 (a). 且. ， —. 之. 之. 引 且 之. 且. 之. 20 (b)[34]. 丘. 21. 左. 之. 之. 二. 以. —之. 之. 二. 二. 之 …. 化 二. ＝. 二 之. 二. 亡. 之. 之 …. 且. 二. 之. 之 (g) (h) (i). 之. 二 大. (f) (g) (i). 二. 。 35. (e).
(42) 太. 之. 二. 之. 二 之. 二 之. 太. 左. 子. 失. 二. (a) 20. 之. (b) (a). (b). 36.
(43) (a) 2016. 11. (b) 2016. 12. (c) 2017. 1. (d) 2017. 2. (e) 2017. 3. (f) 2017. 4. (g) 2017. 5. (h) 2017. 6. (i) 2017. 7. (j) 2017. 8. (k) 2017. 9. (l) 2017. 10. 21. 之. 二. 2016. 37. 11. 2017. 10.
(44) 4-4. —. 22 (a). 之. —. 22 (b) 24 (f). 12. 二—. 二. 一 人. 二 一. 二. 二. 二. 二. 二市. 二. 24 (e) (g) (j) 3. 二. 二市 二. 二 二 二. (e) 2017 (g) 2017. 二 (j) 2017. 5 二. 8. 二. —. 38. 二. 二. 予.
(45) 功. 予支. 二 二. 川. 又. 23 (b). 丘土. (b). （. 2017 1二. (c). 1. 二. 化. 4二. 二 二市. 予. 1二. (c). 4二. 化 (d). 6二. 他 (e). 支市. 2二. 3二. 太 二. 二 （. 失. 39. 二.
(46) (a). (b). 22.. (a) 2017. (a). 1. 23.. (b). (b). 1二. (d). 6二. 2017. 1. 40. (c). (e). 二. 2二. 4二. 3二.
(47) (a) 2016. 11. (b) 2016. 12. (c) 2017. 1. (d) 2017. 2. (e) 2017. 3. (f) 2017. 4. (g) 2017. 5. (h) 2017. 6. (i) 2017. 7. (j) 2017. 8. (k) 2017. 9. (l) 2017. 10. 24.. 二. 2016 41. 11. 2017. 10.
(48) 太 川. 、化. 天. 一 尺. 土. 太. 二. 六. 二化. 台. 一 工. 二. 二. 六 二 一. 化. 之. 十. 。. 十. 左. 丘土十 台. PM2.5. 。. 一. 丘土. 二 PM2.5 大. 左. 失 、 化. 亡. 化 。. 少. (Region of Interest, ROI) 失. 二. 它. 。. 大. 丘土. 二 42. 土.
(49) 失. 十. (Principal Component Analysis, PCA) 中. 水 六. 手. 引. 失. Autoencoder. 六. PM2.5 十. 43. 六. 分 失. 十.
(50) [1]. 丘土. [2]. 外. (2017). 丘 土. 外. 105. 已 (2018). https://taqm.epa.gov.tw/taqm/tw/b0201.aspx [3] He, Z., Kim, Y. J., Ogunjobi, K. O., & Hong, C. S. (2003). Characteristics of PM2. 5 species and long-range transport of air masses at Taean background station, South Korea. Atmospheric Environment, 37(2), 219-230. [4] Perrone, M. R., Becagli, S., Orza, J. G., Vecchi, R., Dinoi, A., Udisti, R., & Cabello, M. (2013). The impact of long-range-transport on PM1 and PM2. 5 at a Central Mediterranean site. Atmospheric environment, 71, 176-186. [5] Huang, D., Zhang, N., Yu, H., Zhou, H., Ma, Z., Hu, W., & Guo, J. (2015, August). Activation. force-based. air. pollution. observation. station. clustering.. In. Heterogeneous Networking for Quality, Reliability, Security and Robustness (QSHINE), 2015 11th International Conference on (pp. 115-121). IEEE. [6] Yu, Y., Zhao, S., Wang, B., Fu, P., & He, J. (2017). Pollution characteristics revealed by size distribution properties of aerosol particles at urban and suburban sites, northwest China. Aerosol and Air Quality Research, 17(7), 1784-1797. [7] Baker, K. R., & Foley, K. M. (2011). A nonlinear regression model estimating single source concentrations of primary and secondarily formed PM2. 5. Atmospheric Environment, 45(22), 3758-3767. 44.
(51) [8] Bhardwaj, R., & Pruthi, D. (2016, October). Time series and predictability analysis of air pollutants in Delhi. In Next Generation Computing Technologies (NGCT), 2016 2nd International Conference on (pp. 553-560). IEEE. [9] Mahajan, S., Liu, H. M., Tsai, T. C., & Chen, L. J. (2018). Improving the Accuracy and Efficiency of PM2. 5 Forecast Service Using Cluster-based Hybrid Neural Network Model. IEEE Access. [10] Lyu, B., Zhang, Y., & Hu, Y. (2017). Improving PM2. 5 Air Quality Model Forecasts in China Using a Bias-Correction Framework. Atmosphere, 8(8), 147. [11] Liu, J., Li, W., Wu, J., & Liu, Y. (2018). Visualizing the intercity correlation of PM2. 5 time series in the Beijing-Tianjin-Hebei region using ground-based air quality monitoring data. PloS one, 13(2), e0192614. [12] Zhou, Z., Ye, Z., Liu, Y., Liu, F., Tao, Y., & Su, W. (2017). Visual Analytics for Spatial. Clusters. of. Air-Quality. Data. IEEE. computer. graphics. and. applications, 37(5), 98-105. [13] Du, X., & Varde, A. S. (2016, April). Mining PM2. 5 and traffic conditions for air quality. In Information and Communication Systems (ICICS), 2016 7th International Conference on (pp. 33-38). IEEE. [14] Chang, J. H., Tseng, C. Y., Chiang, H. H., & Hwang, R. H. (2017, November). Analysis of Influential Factors in Secondary PM2. 5 by K-Medoids and Correlation. 45.
(52) Coefficient. In Cloud and Service Computing (SC2), 2017 IEEE 7th International Symposium on (pp. 177-182). IEEE. [15] Ding, G., Zhang, B., & Zhao, P. ESDA Based Spatial Correlation Features Analysis of China Urban Regional Haze Pollution. Boletín Técnico, 55(6), 704-713. [16] LIU, P., YAO, Y., LIANG, H., LIANG, Z., ZHANG, Y., & WANG, H. (2017). Analyzing Spatiotemporal Distribution of PM2. 5 in China by Integrating Kalman Filter and Multi-level Clustering. [17] Huang, P., Zhang, J., Tang, Y., & Liu, L. (2015). Spatial and temporal distribution of PM2. 5 pollution in Xi’an City, China. International journal of environmental research and public health, 12(6), 6608-6625. [18] Wu, X., Wang, Q., Liu, Y., & Li, Y. (2017, December). Data-driven regional analysis of urban atmosphere pollution based on density clustering. In Technology, Networking, Electronic and Automation Control Conference (ITNEC), 2017 IEEE 2nd Information (pp. 412-417). IEEE. [19] Chen, L. J., Ho, Y. H., Lee, H. C., Wu, H. C., Liu, H. M., Hsieh, H. H., ... & Lung, S. C. C. (2017). An Open Framework for Participatory PM2. 5 Monitoring in Smart Cities. IEEE Access, 5, 14441-14454. [20] Lin, Y., Chiang, Y. Y., Pan, F., Stripelis, D., Ambite, J. L., Eckel, S. P., & Habre, R. (2017, November). Mining public datasets for modeling intra-city PM2. 5. 46.
(53) concentrations at a fine spatial resolution. In Proceedings of the 25th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (p. 25). ACM. [21] West, M. (1997). Time series decomposition. Biometrika, 84(2), 489-494. [22] Chaovalit, P., Gangopadhyay, A., Karabatis, G., & Chen, Z. (2011). Discrete wavelet transform-based time series analysis and mining. ACM Computing Surveys (CSUR), 43(2), 6. [23] Mallat, S. G. (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE transactions on pattern analysis and machine intelligence, 11(7), 674-693. [24] Sundararajan, D. (2011). Fundamentals of the Discrete Haar Wavelet Transform. [25] Müller, M. (2007). Dynamic time warping. Information retrieval for music and motion, 69-84. [26] Sardá-Espinosa, A. (2017). Comparing Time-Series Clustering Algorithms in R Using the dtwclust Package. [27] Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques (3rd ed.). Elsevier, 443-461. [28] Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323.. 47.
(54) [29] Cai, Q., & Zhou, Y. (2016, May). A quadtree-based hierarchical clustering method for visualizing large point dataset. In Information Science and Technology (ICIST), 2016 Sixth International Conference on (pp. 372-375). IEEE. [30] Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on neural networks, 11(3), 586-600. [31] Liao, T. W. (2005). Clustering of time series data—a survey. Pattern recognition, 38(11), 1857-1874. [32] Kassambara, A. (2017). Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning (Vol. 1). STHDA. [33]. 十. [34]. 十. https://data.gov.tw/dataset/8410. 半 之. 化. [35]. https://data.gov.tw/dataset/25598. 之 http://icecream6.pixnet.net/blog/post/26878808. [36]. 去. 去. 十. 48. https://maps.nlsc.gov.tw/.
(55)
相關文件
Since we use the Fourier transform in time to reduce our inverse source problem to identification of the initial data in the time-dependent Maxwell equations by data on the
Wang, Solving pseudomonotone variational inequalities and pseudocon- vex optimization problems using the projection neural network, IEEE Transactions on Neural Networks 17
Define instead the imaginary.. potential, magnetic field, lattice…) Dirac-BdG Hamiltonian:. with small, and matrix
Microphone and 600 ohm line conduits shall be mechanically and electrically connected to receptacle boxes and electrically grounded to the audio system ground point.. Lines in
Therefore, the focus of this research is to study the market structure of the tire companies in Taiwan rubber industry, discuss the issues of manufacturing, marketing and
The aim of this study is to develop and investigate the integration of the dynamic geometry software GeoGebra (GGB) into eleventh grade students’.. learning of geometric concepts
To explore and improve accuracy of the existing biaxial rectangular robot, the research uses two linear scales to measure the positioning errors of the two axes.. After that,
This thesis studies how to improve the alignment accuracy between LD and ball lens, in order to improve the coupling efficiency of a TOSA device.. We use
